KR20160034413A - 냉각탑 시스템의 동적 모니터링, 진단 및 제어 - Google Patents

냉각탑 시스템의 동적 모니터링, 진단 및 제어 Download PDF

Info

Publication number
KR20160034413A
KR20160034413A KR1020167004915A KR20167004915A KR20160034413A KR 20160034413 A KR20160034413 A KR 20160034413A KR 1020167004915 A KR1020167004915 A KR 1020167004915A KR 20167004915 A KR20167004915 A KR 20167004915A KR 20160034413 A KR20160034413 A KR 20160034413A
Authority
KR
South Korea
Prior art keywords
cooling tower
tower system
output
data
estimated
Prior art date
Application number
KR1020167004915A
Other languages
English (en)
Other versions
KR102189649B1 (ko
Inventor
아디트야 쿠마르
브렛 알 엘리스
자오양 완
클라우디아 씨 피어스
무스타파 테킨 도쿠쿠
동루이 우
상기타 발람
Original Assignee
제네럴 일렉트릭 컴퍼니
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 제네럴 일렉트릭 컴퍼니 filed Critical 제네럴 일렉트릭 컴퍼니
Publication of KR20160034413A publication Critical patent/KR20160034413A/ko
Application granted granted Critical
Publication of KR102189649B1 publication Critical patent/KR102189649B1/ko

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F28—HEAT EXCHANGE IN GENERAL
    • F28C—HEAT-EXCHANGE APPARATUS, NOT PROVIDED FOR IN ANOTHER SUBCLASS, IN WHICH THE HEAT-EXCHANGE MEDIA COME INTO DIRECT CONTACT WITHOUT CHEMICAL INTERACTION
    • F28C1/00—Direct-contact trickle coolers, e.g. cooling towers
    • F28C1/04—Direct-contact trickle coolers, e.g. cooling towers with cross-current only
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F28—HEAT EXCHANGE IN GENERAL
    • F28F—DETAILS OF HEAT-EXCHANGE AND HEAT-TRANSFER APPARATUS, OF GENERAL APPLICATION
    • F28F27/00—Control arrangements or safety devices specially adapted for heat-exchange or heat-transfer apparatus
    • F28F27/003—Control arrangements or safety devices specially adapted for heat-exchange or heat-transfer apparatus specially adapted for cooling towers
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F28—HEAT EXCHANGE IN GENERAL
    • F28F—DETAILS OF HEAT-EXCHANGE AND HEAT-TRANSFER APPARATUS, OF GENERAL APPLICATION
    • F28F2200/00—Prediction; Simulation; Testing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Thermal Sciences (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Feedback Control In General (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

냉각탑 시뮬레이션 시스템은 냉각탑 센서로부터 측정치를 수신하고 냉각탑 시스템의 모델에 기초하여 냉각탑 시스템의 예상된 출력을 생성할 수도 있다. 시뮬레이션 시스템은, 측정치 및 예상된 출력을 입력으로 갖는 확장 칼만 필터(extended Kalman filter)를 사용하여, 추정된 출력을 생성할 수도 있는데, 추정된 출력은 냉각탑 시스템의 특성을 나타낸다.

Description

냉각탑 시스템의 동적 모니터링, 진단 및 제어{DYNAMIC MONITORING, DIAGNOSIS, AND CONTROL OF COOLING TOWER SYSTEMS}
본 개시는 일반적으로 냉각탑(cooling tower)에 관한 것으로 특히 냉각탑을 모니터링하고 제어하며 냉각탑 문제점을 진단하기 위한 방법 및 시스템에 관한 것이다.
냉각탑은, 다양한 시스템으로부터의 열을 방열하기 위해 이들 시스템을 통해 순환되는 물 및 다른 액체를 냉각시키기 위해 사용된다. 이러한 시스템은 아주 다양하지만, 그러나 통상적으로는 발전소(power plant), 제조 공장, 화학 공장, 정유 공장(oil refinery), 및 대규모의 난방 및 공조(heating, ventilation, and air conditioning; HVAC) 시스템과 같은 대규모의 및/또는 산업적 시스템이다. 냉각탑은 정상 동작을 확인하기 위해 일상적으로(routinely) 모니터링된다. 이 모니터링은 통상적으로 냉각탑의 사이트(site)에서 서비스 요원에 의해 또는 냉각탑에서 다양한 측정치를 검출하도록 구성되는 센서로부터 데이터를 수신하는 것에 의해 원격으로 이루어진다.
냉각탑을 모니터링함에 있어서의 일반적인 이슈는, 냉각탑, 관련 컴포넌트, 및 그 내부의 물질의 특성을 측정하기 위해 사용되고 있는 센서의 정확도이다. 이들 측정치가 냉각탑 시스템이 갖는 문제점을 진단하기 위해 사용될 수도 있기 때문에, 정확한 측정치가 이용가능한 것이 중요하다. 예를 들면, 높은 pH의 냉각탑 물과 같은 문제점이 바이어스된(biased) pH 센서로부터의 측정치에 기초하여 진단되면, 그것은 비용이 많이 들 수도 있고, 어쩌면 심지어, 냉각탑에 의해 냉각되고 있는 시스템에 유해할 수도 있다. 검출되었지만 부정확하게 측정된 pH 이슈를 보정하기 위해 취해지는 조치(steps)는, pH 및 냉각탑 및 어쩌면 냉각탑이 구성되는 대형 시스템의 다른 양태에 악영향을 줄 수도 있다.
예시적이고 비제한적인 실시형태에서, 냉각탑 시뮬레이션 시스템은 냉각탑 센서로부터 측정치를 수신하고 냉각탑 시스템의 모델에 기초하여 냉각탑 시스템의 예상된 출력을 생성할 수도 있다. 시뮬레이션 시스템은, 측정치 및 예상된 출력을 입력으로 갖는 확장 칼만 필터(extended Kalman filter)를 사용하여, 추정된 출력을 생성할 수도 있는데, 추정된 출력은 냉각탑 시스템의 특성을 나타낸다.
다른 예시적이고 비제한적인 실시형태에서, 냉각탑 센서로부터 측정치를 수신하고 냉각탑 시스템의 모델에 기초하여 냉각탑 시스템의 예상된 출력을 생성하기 위한 방법이 개시된다. 측정치 및 추정 측정치를 입력으로 갖는 확장 칼만 필터를 사용하여 출력이 생성될 수도 있다.
다른 예시적이고 비제한적인 실시형태에서, 냉각탑 센서로부터 측정치를 수신하고 냉각탑 시스템의 모델에 기초하여 냉각탑 시스템의 예상된 출력을 생성하기 위한 명령어를 포함할 수도 있는 컴퓨터 판독가능한 스토리지 디바이스가 개시된다. 측정치 및 예상된 출력을 입력으로 갖는 확장 칼만 필터를 사용하여 추정된 출력이 생성될 수도 있는데, 추정된 출력은 냉각탑 시스템의 특성을 나타낸다.
상기 개요뿐만 아니라 하기의 상세한 설명은, 도면과 연계하여 판독될 때 더 잘 이해된다. 청구되는 주제를 예시하기 위한 목적을 위해, 다양한 실시형태를 예시하는 예가 도면에서 도시되지만; 그러나, 본 발명은 개시되는 특정 시스템 및 방법에 제한되는 것은 아니다.
본 주제의 이들 및 다른 특징, 양태, 및 이점은, 하기의 상세한 설명이 첨부의 도면을 참조로 판독될 때 더 잘 이해될 것인데, 도면에서:
도 1은 비제한적이고 예시적인 냉각탑 시스템 및 냉각탑 시스템 시뮬레이션 모델의 블록도이다.
도 2는 비제한적이고 예시적인 냉각탑 시스템 시뮬레이션 모델 구조의 블록도이다.
도 3은 비제한적이고 예시적인 냉각탑 시스템 시뮬레이션 모델 및 확장 칼만 필터 구조의 블록도이다.
도 4는 냉각탑 시스템 시뮬레이션 모델을 구현하는 비제한적이고 예시적인 방법의 플로우차트이다.
도 5는 냉각탑 시스템 시뮬레이션 모델을 구현하는 비제한적이고 예시적인 방법의 다른 플로우차트이다.
도 6은, 본원에서 개시되는 방법 및 시스템의 양태가 통합되어 있는 범용 컴퓨터 시스템을 나타내는 예시적인 블록도이다.
도 1은 단순화된 예시적이고 비제한적인 냉각탑 시스템(100)을 예시한다. 냉각탑 시스템(100)은, 저수조(basin; 111)로부터의 물을 순환시켜 냉각시키기 위해 사용될 수도 있는 타워(110)를 포함할 수도 있다. 물은 저수조(111)로부터 펌핑되어 순환 시스템(114)을 이용하여 타워(110)를 통과할 수도 있다. 순환 시스템은 설명의 목적을 위해 타워(110)의 외부에서 예시되며, 타워(110) 내부에 또는 임의의 다른 방식으로 구성될 수도 있고, 모든 이러한 실시형태는 본 개시의 범위 내에 있는 것으로 고려된다는 것을 유의한다. 순환 시스템(114)은, 저수조(111)용의 물을 프로세스 쿨러(115) 및 그 다음 유입구(inlet; 116)를 통해 타워(110) 쪽으로 펌핑하는 펌프(112)를 포함할 수도 있다. 순환 시스템(114)은 냉각탑 시스템(100)으로부터 물을 방출하기(release) 위해 사용될 수도 있는 블로다운(blowdown; 113)을 구비할 수도 있다. 대안적으로, 하나 이상의 블로다운 또는 배출(draw-off) 컴포넌트가 냉각탑 시스템(100)에 구성될 수도 있고, 이들의 각각은 냉각탑 시스템(100)의 임의의 구간(section) 또는 컴포넌트에서 구성될 수도 있다.
물(및/또는 다른 냉각탑 시스템 유체)은 다양한 방식으로 상실될 수도 있다. 물은 냉각탑 시스템(100)의 정상적인 기능의 일부로서 냉각탑 시스템(100)로부터 증발할 수도 있다(121). 물은 또한, 누설(leakage) 및 유극(windage)(즉, 시스템으로부터 새는 물방울)과 같은 다양한 다른 이유 때문에 상실될 수도 있다(122). 블로다운(113)의 사용을 통해, 물 속의 미네랄과 같은 물질의 농도를 감소시키기 위해, 물은, 예를 들면, 깨끗한 물의 도입을 허용하도록, 냉각탑 시스템(100)으로부터 고의적으로 제거될 수도 있다. 일관된 물의 용적을 유지하도록 냉각탑 시스템(100)에 물을 보충하기 위해, 보급부(make-up; 131)가 냉각탑 시스템(100)에 담수(fresh water)를 제공할 수도 있다.
냉각탑 시스템(100)의 물에 다른 재료가 또한 첨가될 수도 있다. 컴포넌트(132)는, 시스템의 물에 물질을 첨가하기 위해 냉각탑 시스템(100)에서 구성될 수도 있는 임의의 하나 이상의 컴포넌트를 나타낸다. 예를 들면, 컴포넌트(132)는 냉각탑 시스템(100)의 물에, 살생물제(산화성(oxidizing) 및/또는 비산화성(non-oxidizing)), 폴리머, 부식 방지제, 인산염, 및 임의의 다른 물질을 제공할 수도 있다. 컴포넌트(133)는, 냉각탑 시스템(100)의 물에 산과 같은 물질을 첨가할 수도 있는 다른 컴포넌트일 수도 있다. 임의의 타입의 물질을 냉각탑 시스템(100)의 물에 첨가할 수도 있는 임의의 수와 타입의 컴포넌트는, 본 개시의 범위 내에 있는 것으로 고려된다.
한 실시형태에서, 냉각탑 시스템(100)의 시뮬레이션 모델(150)은, 소프트웨어, 하드웨어 또는 이들의 조합으로서 실시될 수도 있고, 냉각탑 시스템(100) 근처에, 또는 냉각탑 시스템(100)으로부터 원격에 위치될 수도 있는 하나 이상의 컴퓨팅 시스템 상에서 구성될 수도 있다. 시뮬레이션 모델(150)은, 냉각탑 시스템(100)이 갖는 문제점을 모니터링하고, 제어하고, 그리고 진단하기 위해 사용될 수도 있는 출력을 생성하기 위해, 다양한 입력을 사용하여 데이터를 검색(retrieve)할 수도 있다.
한 실시형태에서, 시뮬레이션 모델(150)은 냉각탑 시스템(100)으로부터 입/출력 측정치 데이터(151 및/또는 155)를 수신할 수도 있다. 입/출력 측정치 데이터(151 및/또는 155)는, 냉각탑 시스템(100)에서의 임의의 타입의 하나 이상의 센서로부터 송신되거나, 검색되거나, 또는 다르게는 획득되는 데이터일 수도 있으며 시뮬레이션 모델(150)을 실행하기 위해 사용될 수도 있다. 한 실시형태에서, 이러한 센서는 냉각탑 시스템(100) 내에서의 물의 다양한 특성의 측정치를 제공할 수도 있다. 측정된 입력 데이터(151)가 이러한 센서로부터 직접적으로 획득될 수도 있기 때문에, 센서에서의 임의의 바이어스는 이러한 데이터에 포함될 것인데, 이러한 데이터의 보정 및 검출은 본원에서 기재되는 실시형태에 의해 다루어진다.
추정된 바이어스 및 파라미터 데이터(152)가 또한, 시뮬레이션 모델(150)에 제공될 수도 있거나, 또는 시뮬레이션 모델(150)에 의해 획득될 수도 있다. 한 실시형태에서, 시뮬레이션 모델(150)은 본원에서 설명되는 바와 같이 확장 칼만 필터로부터 이러한 추정된 바이어스 데이터를 획득하거나 또는 수신할 수도 있다. 추정된 바이어스 및 파라미터 데이터(152)는 저장된 이력 데이터, 냉각탑 시스템(100)에 있는 센서의 추정된 바이어스를 고려하기 위해 측정된 입력 데이터(151)에 대해 만들어질 수도 있는 조정치, 및 임의의 다른 데이터를 포함할 수도 있는데, 임의의 다른 데이터의 예는 본원에서 제공된다.
한 실시형태에서, 시뮬레이션 모델(150)은, 본원에서 논의되는 바와 같이, 시스템의 하나 이상의 입력 및/또는 파라미터를 계산하기 위해, 비례 적분(proportional-integral; PI) 가상 컨트롤러(161) 및/또는 동적 반전(dynamic inversion; DI) 가상 컨트롤러(162)를 사용할 수도 있다. 컨트롤러(161 및 162)의 각각은, 냉각탑 시스템(100)으로부터 시뮬레이션 모델(150)에 의해 수신되는 실제 측정치 데이터(예를 들면, 하기에서 논의되는 측정된 입력 데이터(151) 및/또는 실제 측정된 출력 데이터(155))와 같은 데이터를 시뮬레이션 모델(150)을 통해 수신하고/하거나 시뮬레이션 모델(150)(예를 들면, 하기에서 논의되는 측정된 출력(153) 및 생성된 데이터(154))로부터의 예상치를 출력할 수도 있는데, 각각의 컨트롤러는 각각의 데이터를 생성하기 위해 그 예상치를 사용할 수도 있고, 그 각각의 데이터는, 다음에, 실제 냉각탑 시스템(100)의 더 정확한 모델의 생성을 보조하기 위해 시뮬레이션 모델(150)로 제공된다. 추정된 바이어스 및 파라미터 데이터(152)는 이러한 가상 컨트롤러 생성 데이터를 포함할 수도 있다. 가상 컨트롤러(161 및 162) 중 어느 하나 또는 둘 다는, 냉각탑 시스템에서 쉽게 측정될 수 없는 값을 추적하고, 조정하고, 및/또는 생성하기 위해 사용될 수도 있다. 예를 들면, 냉각탑 시스템의 유량(flowrate)(예를 들면, 블로다운 유량, 보급 유량 등등), 증발률, 및 다른 특성은, 컨트롤러에서 수신되는 측정치, 예컨대 전도율(conductivity) 및 트레이서 데이터(tracer data)에 기초하여 가상 컨트롤러(161 및/또는 162)에 의해 추정되거나 추론될 수도 있다. 가상 컨트롤러는 상응하여 유량을 조정하여 시뮬레이션 모델의 특성이 실제 타워 시스템의 것과 매치하게 만들 수도 있다. 이 프로세스의 일부로서, 가상 컨트롤러는 모델의 무결성을 향상시키기 위해 유량 등에 대한 값을 역계산할 수도 있다. 임의의 타입의 임의의 수의 가상 컨트롤러가 시뮬레이션 모델(150)에 존재할 수도 있으며, 모든 이러한 실시형태는 본 개시의 범위 내에 있는 것으로 고려된다는 것을 유의한다.
시뮬레이션 모델(150)은, 시스템의 이슈를 진단하기 위해 냉각탑 시스템(100)으로부터 수신되거나 또는 획득될 수도 있는 실제 측정된 출력 데이터(155)에 대한 비교의 목적을 위해 사용될 수도 있는 측정된 출력(153)의 예상치를 생성하기 위해, 측정된 입력 데이터(151) 및 추정된 바이어스 및 파라미터 데이터(152)를 사용할 수도 있다. 측정된 출력(153)의 예상치는 또한, 본원에서 기재되는 것을 포함하는 다른 목적을 위해 사용될 수도 있다.
시뮬레이션 모델(150)은 또한, 직접적으로 또는 쉽게 측정될 수 없을 수도 있는 냉각탑 시스템(100)의 특성을 설명할 수도 있는 데이터(154)를 생성하기 위해, 측정된 입력 데이터(151), 측정된 출력 데이터(155), 및/또는 추정된 바이어스 및 파라미터 데이터(152)를 사용할 수도 있다. 예를 들면, 생성된 데이터(154)는, 냉각탑 시스템(100)의 부식 레벨, 퇴적 레벨, 생물 부착(biofouling), 및 다른 특성을 결정하거나, 추정하거나, 또는 예상하기 위해 사용될 수도 있는데, 이들 중 일부는 본원에서 설명된다. 이러한 데이터는, 냉각탑 특성을 나타내는 데이터에서 발견되는 상관관계(correlation)에 기초할 수도 있다. 생성된 데이터(154)에 포함될 수도 있는 누락된 핵심성과지표(key performance indicator; KPI) 및/또는 다른 특성을 추론하기 위해, 냉각탑 시스템의 데이터 기반의 식별 방법이 사용될 수도 있다. 예를 들면, 시스템의 다른 특징을 추론하기 위해, 냉각탑 시스템에 대한 측정가능한 출력 데이터, 예컨대 델타 PO4(즉, 총 PO4와 용해가능한 PO4 사이의 차이), 부식 레벨, 퇴적 레벨, 및 생물 부착 레벨이 사용될 수도 있다. 한 실시형태에서, 이러한 추론은 이용가능한 이력 데이터에만 단독으로 기초할 수도 있고, 한편 다른 실시형태에서는, 측정된 냉각탑 시스템 데이터 및 이력 데이터가 조합하여 사용되는 하이브리드 방식이 사용될 수도 있다. 모든 이러한 실시형태는 본 개시의 범위 내에 있는 것으로 간주된다.
도 2는, 시뮬레이션 모델(150)과 같은 시뮬레이션 모델에 의해 사용되고/되거나 생성될 수도 있는 입력 변수, 상태 변수, 출력 변수, 및 파라미터를 포함하는 시뮬레이션 모델의 예시적인 구조의 차트이다. 도 2에서 도시되는 입력, 상태, 및 출력은 예시적인 것이며 본 개시의 범위를 어떤 식으로든 제한하도록 의도되지는 않는다는 것을 유의한다. 입력 변수(210)는 시뮬레이션 시스템에 입력될 수도 있는 임의의 데이터일 수도 있는데, 플로우 데이터(flow data), 조성 데이터(composition data), 및 주변 상태 데이터(ambient condition data)를 포함한다. 이 데이터는 냉각탑 시스템에 있는 센서로부터 실시간으로 또는 근실시간(near-realtime)으로, 또는 이러한 센서로부터 주기적으로 획득될 수도 있다. 입력 변수(210)는, 센서 데이터, 가상 컨트롤러(예를 들면, 가상 컨트롤러(161 및 162))로부터의 데이터, 또는 임의의 다른 데이터에 기초하는 이력 데이터, 조정된 데이터, 및/또는 프로세싱된 데이터를 포함할 수도 있다.
상태 변수(220)는 냉각탑 시스템의 임의의 상태일 수도 있는데, 시스템의 물에서의 물질의 레벨 및 농도, 물의 용적, 온도 및 다른 주변 상태 등등을 포함한다. 이들 상태는 입력 변수(210) 및/또는 입력 변수의 임의의 타입의 프로세싱에 기초하여 변경될 수도 있다. 상태 변수(220)의 각각의 값은 추적될 수도 있고 이력 데이터는 분석되어 시간에 걸쳐 상태가 어떻게 변하는지를 결정할 수도 있다.
파라미터(240)는, 시뮬레이션 모델이 실제 냉각탑 시스템을 더 정확하게 표현하게 만드는 것을 보조할 수도 있는 임의의 파라미터일 수도 있다. 실제 냉각탑 시스템에 대응하는 공지의 값으로 파라미터(240)를 맞추는(tailoring) 것에 의해, 더 정확한 모델이 구현될 수도 있다. 유연한 파라미터를 사용하는 것에 의해, 보다 일반적인 모델이, 예를 들면, 소프트웨어로 구현될 수도 있고, 파라미터(240)의 조정에 의해 특정 냉각탑 시스템을 모델링하도록 맞춤될 수도 있다.
출력 변수(230)는 관심의 대상인 특성을 가리키는 임의의 출력일 수도 있다. 출력 변수(230)는, 입력, 상태 및 파라미터의 조합을 프로세싱하는 것에 의해 생성될 수도 있다. 한 실시형태에서, 이러한 실제 측정된 또는 계산된 데이터가 이용불가능한 경우나, 또는 실제 측정된 또는 계산된 데이터 외에, 이들 입력, 상태, 파라미터 중 임의의 것의 추정치를 결정하기 위해 데이터 기반 상관관계가 사용될 수도 있다.
많은 냉각탑 시스템에서, 특정 입력에 대한 관심의 대상인 시간의 기간 동안의 데이터는 이용가능하지 않을 수도 있다. 예를 들면, 시스템에서의 물의 샘플이 실험에 의해 분석되어야 하고 주기적으로(예를 들면, 주 1회, 월 1회 등등)만 수집되는 경우, 그 샘플에 대한 데이터는 분석이 진행되기 이전에 또는 분석이 진행되는 동안에 이용불가능하며, 어떠한 샘플도 수집되지 않은 중간의 시기(time period) 동안에는 데이터는 이용불가능하다. 한 실시형태에서, 실제 측정된 데이터가 이용불가능한 시간 동안의 변수의 값을 추정하기 위해, 계산이 시뮬레이션 모델에 의해 수행될 수도 있다. 마찬가지로, 본원에서 설명되는 바와 같은 시뮬레이션 모델은, 실제 취해지지 않은 측정치를 나타내는 변수에 대한 값을 결정할 수도 있다. 예를 들면, 블로다운 유량이 측정되지 않지만, 블로다운 및 보급 전도율과 보급 유량이 이용가능한 경우, 시뮬레이션 모델은 냉각탑으로부터의 블로다운 유량을 계산하기 위해 비례 적분(PI) 또는 동적 반전(DI) 컨트롤러를 사용할 수도 있다.
한 실시형태에서, 확장 칼만 필터(extended Kalman filter; EKF)가 시뮬레이션 모델의 구조, 예컨대 도 2에서 도시되는 구조 주위에 내장될 수도 있다. 이러한 실시형태에 따르면, EKF는 다양한 입력을 사용하여, 냉각탑 시스템의 동적 시뮬레이션 모델을 실행하기 위해 사용될 수도 있는 출력을 생성할 수도 있다. EKF는, 예를 들면, 측정된 출력의 세트의 예상치를 생성하고, 이러한 예상치를 보정할 수도 있고, 냉각탑 시스템의 파라미터 및 특성의 값의 추정치를 생성할 수도 있는데, 이러한 데이터가 기원하는 센서에 존재할 수도 있는 바이어스를 다루기 위해, 측정된 출력 데이터의 보정된 또는 조정된 값을 생성하는 것을 포함한다.
예를 들면, 이제 도 3을 참조하면, 냉각탑 시스템(300) 및/또는 그 안에서 구성되는 센서는 출력 데이터(301)(그 예를 도 2의 출력 변수(210)에서 볼 수도 있음)를 생성할 수도 있다. 그러나, 센서 바이어스(305)로 인해, 이러한 출력 데이터는 부정확할 수도 있는데, 측정된 출력 데이터(310)로 나타날 수도 있다. 측정된 출력 데이터(310)는 EKF(320)로 제공될 수도 있다(311). EKF(320)에 의한 프로세싱의 결과로서, 정확하거나 또는 조정된 측정된 출력 데이터가 냉각탑 시스템 시뮬레이션 모델(350)로 제공될 수도 있다(340). 냉각탑 시스템 시뮬레이션 모델(350)은 또한 냉각탑 시스템(300) 및/또는 그 안에 구성되는 센서로부터 측정된 입력 데이터(330)를 수신(331)할 수도 있다.
냉각탑 시스템 시뮬레이션 모델(350)은 또한, 냉각탑 시스템 시뮬레이션 모델(350)이 실제 냉각탑 시스템(300)을 더 엄밀하게 모델링하도록 시뮬레이션 모델의 추가적인 개선을 위해, 자신의 시뮬레이션의 결과를 EKF(320)로 피드백할 수도 있다. 예를 들면, 냉각탑 시스템 시뮬레이션 모델(350)은, EKF(320)로 제공될 수도 있는(356) 측정된 출력(355)(그 예를 도 2의 출력 변수(230)에서 볼 수도 있음)의 예상치를 생성할 수도 있다(352). 냉각탑 시스템 시뮬레이션 모델(350)은 또한, EKF(320)로 제공될 수도 있는(366) 추정치 및/또는 가상 센서 데이터(355)(그 예를 도 2의 출력 변수(230)에서 볼 수도 있음)를 생성할 수도 있다(354).
측정된 출력(355)의 예상치는, 냉각탑 시스템(300)에 있는 대응하는 출력에 대해 취해지는 측정된 출력 데이터(310)와 비교될 수도 있다. 예상된 출력과 측정된 출력 사이의 임의의 차이는, 냉각탑 시스템 시뮬레이션 모델(350)의 상태 변수(예를 들면, 도 2의 상태 변수(220))의 특정 세트를 업데이트하기 위해 EKF(320)의 칼만 이득으로 승산될 수도 있다. 모델의 적응된 파라미터를 설명하는 및/또는 측정된 출력 바이어스를 설명하는, 냉각탑 시스템 시뮬레이션 모델(350)에 의해 사용되는 인위적 상태 변수가 또한 생성되고/되거나 업데이트될 수도 있다.
냉각탑 시스템의 임의의 변수는 센서 또는 물리적 측정을 사용하여 측정되지 않을 수도 있거나, 또는, 예를 들면, 모니터링 기술의 비용 또는 이용가능성으로 인해 또는 소정 시기 동안의 모니터링의 결여로 인해, 소정 시기 동안 이용가능한 데이터를 가지지 않을 수도 있다. 이러한 변수에 대해, 이들 변수의 "가상 측정치"를 제공하기 위해, EKF 및 개시된 동적 시뮬레이션 모델이 사용될 수도 있다. 시뮬레이션 모델의 상태 변수(예를 들면, 도 2의 상태 변수(220)) 중 하나 이상은, 데이터 기반의 상관관계를 사용하여(예를 들면, 이력 변수 데이트를 사용하여), 독점적 방법 또는 소프트웨어를 사용하여, 및/또는 추가적인 물리적 상관관계(예를 들면, 모델 상태 및 출력을 핵심성과지표(KPI)에 관련시킴)를 사용하여 생성되고/되거나 업데이트될 수도 있다. 소정의 변수를 생성하고/하거나 업데이트하는 이들 추가적인 수단은, 냉각탑 시스템에 대한 주요 프로세스 변수, 예컨대 생물 부착, 퇴적, 누설, 및 부식을 정의하기 위해 EKF를 사용하는 실시형태를 허용할 수도 있다. 이러한 주요 프로세스 변수를 갖는 EKF를 사용하는 것은 또한, KPI가 실시간 최적화기(optimizer)를 이용하여 향상되는 것을 허용할 수도 있다. 한 실시형태에서, 냉각탑 시스템을 동작시키는 주요 프로세스 변수 및 다른 파라미터는, 냉각탑 시스템의 동작 및 성능을 향상시키도록, EKF에 의해 생성되는 추정치에 기초하여 조정될 수도 있다.
기술분야의 숙련된 자에게 공지된 바와 같이, EKF는 시간에 걸쳐 관측되는 일련의 측정치를 사용하는 비선형 칼만 필터이다. EKF는 다른 수단보다 더 정확할 수도 있는 미지의 변수의 추정치를 생성할 것이다. 한 실시형태에서, 이력 측정치가 특정 시기 또는 시기의 서브셋 동안 (예를 들면, 이러한 측정치가 문제가 되고 있는 기간 동안 수집되지 않았기 때문에) 누락될 수도 있는 경우, 또는 단순히 전혀 이용가능하지 않을 수도 있는 경우, 가상 컨트롤러(예를 들면, PI 가상 컨트롤러, DI 가상 컨트롤러)는 누락되어 있는 입력 측정치를 계산할 수도 있는데, 그것은 그 다음 EKF를 사용하는 시뮬레이션 모델에서 사용될 수도 있다.
예를 들면, 상기에서 언급된 바와 같이, 가상 컨트롤러는, 나중에 시뮬레이션 모델로 제공될 블로다운 유량을 추론하기 위해, 블로다운 전도율 및/또는 트레이서 측정치를 추적하도록 구성될 수도 있다. 블로다운 유량을 결정하는 이 방법은, 농도 계산의 싸이클을 사용하는 정상 상태 추론 방법(steady-state inferred method)보다 블로다운 유량의 더 정확한 추정치를 제공할 수도 있다. 마찬가지로, 보급 전도율 및/또는 트레이서 데이터를 추적하는 것에 기초하여 실제 보급 유량 측정치가 이용가능하지 않은 경우, 가상 컨트롤러는 보급 유량을 추론하도록 구성될 수도 있다. 다른 실시형태에서, 시스템을 빠져나가는 증발률을 추론하기 위해 가상 컨트롤러는 섬프 레벨(sump-level)을 추적할 수도 있다. 또 다른 실시형태에서, 냉각탑으로의 화학물질(chemical), 산(acid), 및/또는 표백제 전달 레이트를 추론하고/하거나 보정하기 위해, 가상 컨트롤러는 탱크 레벨 측정치를 (단독으로, 또는 칼만 필터에 의해 통합정리된(consolidated) 펌프 데이터와 조합하여) 사용할 수도 있다. 이러한 실시형태에서, 추론된 레이트는, 추가적인 측정치 데이터가 컨트롤러(들)에 의해 수신될 수도 있기 때문에, 동적으로 및/또는 연속적으로 업데이트될 수도 있다. 이 실시형태는, 시뮬레이션 모델이 특정 냉각탑 시스템을 반영하는 것을 허용하는 유연성을 제공한다.
한 실시형태에서, 시뮬레이션 모델에서 누락되어 있는 KPI 출력을 추론하기 위해, 데이터 기반의 식별 방법이 사용될 수도 있다. 이러한 출력은 델타 PO4(인산염), 부식 변수, 퇴적 변수, 및 생물부착 변수를 포함할 수도 있다. 이러한 방법은 이력 데이터를 단독으로 사용할 수도 있거나 또는 시뮬레이션 모델에 의해 생성되는 데이터를 이력 데이터와 조합하여 사용할 수도 있다.
측정된 데이터 및 계산되거나 생성된 데이터의 조합을 사용하는 것에 의해, 시뮬레이션 모델은, 냉각탑 시스템에서 구성되는 측정 디바이스에 존재할 수도 있는 바이어스의 존재 및 정도 또는 다른 문제점을 결정하도록, EKF에서 캡슐화될 수도 있다. 한 실시형태에서, EKF는, 표류하고 있고/있거나 제대로 동작하고 있지 않은 측정 디바이스를 진단하기 위해 사용될 수도 있는 바이어스 및 바이어스 분산(bias variance)을 식별할 수도 있다. 예를 들면, 시뮬레이션 모델에 의해 생성되는 출력은, 측정용 디바이스에서의 바이어스를 나타낼 수도 있는 차이를 결정하기 위해, 실제 측정된 출력과 비교될 수도 있다. 측정된 출력 데이터 및 추정된 출력 각각은 이러한 비교를 위해 타임스탬핑되어 저장될 수도 있다. EKF는 또한, 표류하고 있고/있거나 제대로 동작하고 있지 않은 계량 디바이스(metering device)를 진단하기 위해, 주요 화학물질, 산, 및 표백제 전달 시스템에 대한 스케일 인자(scale factor)를 식별할 수도 있다. 실제 냉각탑 시스템의 현재의 지식에 기초하는 파라미터 및 EKF를 이러한 모델 내에서 통합하는 시뮬레이션 모델을 사용하는 것에 의해, 바이어스 및 스케일 인자에서의 불확실성이 감소될 수도 있다.
이러한 시뮬레이션 모델은 또한, 주요 모델 파라미터의 동적 업데이팅이 일반적 모델을 특정 냉각탑 시스템 및/또는 사이트에 적응시키는 것 및 변화하는 사이트 상태에 적응하는 것을 허용할 수도 있다. 예를 들면, 보급 조성물은, 다양한 인자, 예컨대 소스, 계절 등등으로 인해, 시간에 걸쳐 변할 수도 있다. 이들 변화의 결과로서, 냉각탑 시스템 내의 다양한 설정지점(setpoint)은 냉각탑 시스템의 소망의 상태를 유지하도록 조정될 수도 있다.
개시된 실시형태에 의해 제공되는 바와 같이, 주요 프로세스 변수의 더 정확한 추정 및 예상은, 냉각탑 시스템 제어 루프의 설정지점을 조정하도록 사용될 수도 있다. 예를 들면, pH 설정지점 및 인산염 용해도 설정지점은, 부식 및 퇴적의 가상의 추정치에 기초하여 (한 실시형태에서는, 미리 결정된 허용가능한 범위 내에서) 상향 또는 하향 조정될 수도 있다. 본 실시형태는, 시스템에 대한 이용가능한 입력을 교란시키는 것에 의해 그리고 측정된 변수의 일시적 응답을 활용함으로써 측정되지 않은 KPI를 EKF가 추론하게 하는 것에 의해, 직접적으로 측정되지 않은 KPI의 관측가능성을 향상시키는 방법을 제공한다. 개시된 실시형태는, 예상치 않은 교란 및 측정 오차에 강건한 KPI의 조절을 위한 피드포워드(feedforward) 및/또는 피드백 제어 알고리즘을 제공한다.
예를 들면, 몇몇 실시형태에서, 소정의 변수는 특정된 범위 내에서 유지되는 것이 바람직할 수도 있다. pH, 폴리머, PO4, 및/또는 델타 PO4는 소정의 범위 내에 유지되는 것이 바람직할 수도 있다. PO4는 이러한 시스템에서 부식을 방지하기 위해 사용될 수도 있지만; 그러나, 시스템에서 용해되지 않은 PO4의 일부는 부식 방지에서 효과가 없을 수도 있다. 따라서, 한 실시형태에서, PO4를 녹기 쉽게 유지하기 위해(즉, 델타 PO4를 소정의 범위 내에서 유지하기 위해) 냉각탑 시스템의 물에 폴리머가 첨가될 수도 있다. 관련하여, 유입하는 보급수(make-up water), 유출하는 블로다운 물, 및/또는 화학 제품 플로우를 제어하여 이들 물질의 레벨을 소정 범위 내에서 유지하는 것에 의해, 시스템에서의 PO4의 농도뿐만 아니라, 물에서의 다른 물질의 농도도 조정될 수도 있다. EKF를 사용하여 시뮬레이션 모델에 의해 생성될 수도 있는 측정되지 않은 변수의 예상치를 사용하는 것에 의해, 한 실시형태에서 연관 신뢰 구간(associated confidence interval)과 조합하여, 이러한 변수가 소망의 범위 밖에 떨어질 수도 있을 때에 관한 결정이 이루어질 수도 있고 이러한 시나리오를 미리 방지하기 위한 조치가 취해질 수도 있다. 일 실시형태에서, 다양한 추정된 변수를 사용하여 누설이 추정될 수도 있고, 보급수의 플로우가 상응하여 조정될 수도 있다. 다른 예에서, 시스템에 대한 생물학적 부하, 및 따라서, 냉각탑 물에 화학 물질 첨가를 위한 설정지점을 변경하는 것과 같은, 이러한 부하를 다루기 위해 취해질 조치를 추론하기 위해 유리 염소 바이어스 추정(free chlorine bias estimation)이 사용될 수도 있다.
그러나, 염소의 반응률이 상승하는 때와 같은 상황에서는, 다루어야 하는 하나보다 많은 잠재적인 이슈가 존재할 수도 있거나, 또는 주 원인에 관해서는 그것이 불명확할 수도 있다. 이 예에서, 냉각탑에 더 많은 바이오매스가 존재할 가능성이 있지만, 유입하는 보급수는 자신이 이전에 가졌던 것보다 더 높은 레벨의 유기 물질을 가질 가능성도 또한 존재한다. 몇몇 실시형태에서, 실제 냉각탑 시스템의 설정지점 및 다른 양태는, 측정되지 않은 성능 변수의 관측가능성을 증가시키는 목적을 위해 조정될 수도 있다. 냉각탑 시스템의 교란의 이러한 실행은, 냉각탑 물에 산화성 및/또는 비산화성 살생물제를 짧게 공급하는 것 및 유리 염소 및/또는 산화 환원 전위(oxidation reduction potential; ORP)의 일시적 응답을 모니터링하는 것을 포함할 수도 있다. 이것은, 실제 이슈를 더 명확하게 정의하는 추정된 변수, 및 따라서 그 이슈를 다루는 데 필요한 조치를 제공할 수도 있다. 하나 이상의 측정되지 않은 변수의 관측가능성을 향상시키는 목적을 위한 냉각탑 시스템의 임의의 다른 조작(manipulation)은 본 개시의 범위 내에 있는 것으로 고려된다.
한 실시형태에서, 냉각탑 시스템은, 그 냉각탑 시스템의 시뮬레이션 모델의 예상된 그리고 추정된 출력에 기초하여 제어되고 조정될 수도 있다. 예를 들면, 냉각탑의 향상된 조절을 위해, 피드포워드 및 피드백 제어가 사용될 수도 있다. 한 실시형태에서, 교란 및 측정 오차에 대해 시스템을 강건하게 유지하면서 냉각탑 시스템을 소망의 범위 내에서 동작시키기 위해, 내부 루프에서 폴리머 농도를 그리고 외부 루프에서 추정된 델타 PO4를 갖는 캐스케이드 제어 루프(cascade control loop)가 사용될 수도 있다. 예를 들면, 농도의 싸이클을 조정하기 위해, 칼슘 및 또는 마그네슘 경도의 가상 추정치를 사용하는 제어 아키텍쳐가 사용될 수도 있다. 이 예시적인 캐스케이드 제어 루프에서, 경도는 내부 루프에서 전도율을 가지면서 외부 루프에 있을 수도 있다. 대안적으로, 최소/최대 선택에 기초한 제약 아키텍쳐가 사용될 수도 있다.
시뮬레이션 모델에 의해 생성되는 추정된 및/또는 예상된 측정치에 기초하여 다른 제어가 구현될 수도 있다. 예를 들며, pH 및 델타 PO4 설정지점은, 부식, 퇴적, 및/또는 퇴적에 대한 부식의 비율에 기초하여 미리 결정된 범위 내에서 상향 또는 하향 조정될 수도 있다.
범위 및 설정지점은, 경제성, 신뢰성, 및 효율성을 포함하는 많은 인자에 기초하여 결정될 수도 있다는 것을 유의한다. 예를 들면, 화학물질 사용, 물 사용, 및/또는 에너지 사용을 최소화하는 것과 같은 전체적인 동작 비용을 최소화하도록 설정지점이 조정될 수도 있다. 이러한 결과는, 부식, 퇴적, 및 생물부착의 가상의 감지된 그리고 예상된 값을 사용하여 자산 건전성을 보호하면서, 수질(water quality) 및 열 부하를 변경하는 것을 통해 달성될 수도 있다.
도 4는, 본원에서 개시되는 바와 같이 냉각탑 시스템 시뮬레이션 모델의 한 실시형태를 구현하는 예시적이고 비제한적인 방법(400)을 예시한다. 방법(400), 및 방법(400)에서 설명되는 개개의 액션 및 기능은, 본원에서 설명되는 것을 포함하는 임의의 하나 이상의 디바이스 또는 컴포넌트에 의해 수행될 수도 있다. 한 실시형태에서, 방법(400)은, 임의의 다른 디바이스, 컴포넌트, 또는 이들의 조합, 몇몇 실시형태에서는 다른 시스템, 디바이스 및/또는 컴포넌트와 연계하여 수행될 수도 있다. 방법(400)의 블록 중 임의의 것과 관련하여 설명되는 기능 및/또는 액션 중 임의의 것은, 임의의 순서로, 별개로, 방법(400) 또는 본원에서 설명되는 임의의 다른 방법의 다른 블록 중 임의의 것과 관련하여 설명되는 다른 기능 및/또는 액션의 서브셋과 함께, 그리고 본원에서 설명되는 것 및 본원에서 기재되지 않는 것을 포함하는 다른 기능 및/또는 액션과 조합하여 수행될 수도 있다는 것을 유의한다. 모든 이러한 실시형태는 본 개시의 범위 내에 있는 것으로 간주된다.
블록 410에서, 측정된 입력 데이터는, 시뮬레이션 모델을 실시하기 위해, 시스템에 있는 물리적 냉각탑 시스템으로부터 수신될 수도 있다. 이것은, 자동적으로 수신될 수도 있는, 냉각탑 시스템에서 구성되는 센서 및/또는 다른 디바이스로부터 수신되는 데이터일 수도 있다. 이 데이터는 또한, 또는 대신, 수동으로 수집되어 분석되고 프로세싱되는 측정치를 포함할 수도 있다. 냉각탑 시스템의 임의의 특색, 특성, 또는 양태의 물리적 또는 실제 측정치의 결과인 또는 그 물리적 또는 실제 측정치를 반영하는 임의의 데이터는, 본 개시의 범위 내에 있는 것으로 고려된다.
블록 420에서, 가상 컨트롤러 및 EKF를 실시하고 있을 수도 있는 시스템에 의해, 가상 입력 데이터 및 파라미터가 수신되거나 또는 획득될 수도 있다. 예를 들면, 물리적 측정치로부터 이용가능하지 않을 수도 있는 측정치에 대해 미리 생성되는 가상의 및/또는 추정된 입력은, 메모리 또는 데이터 스토리지로부터 검색될 수도 있다. 결정된 바이어스뿐만 아니라, 대응하는 물리적 냉각탑 시스템을 반영하기 위해 시스템에 의해 실시되는 가상 컨트롤러 및 EKF에서 구성되는 파라미터도 또한 검색될 수도 있다.
블록 430에서, 출력 및/또는 예상치는, 시스템이 다양한 입력, 파라미터, 및 EKF를 사용하여 시뮬레이션 모델을 실시하는 것에 의해 생성될 수도 있다. 블록 440에서, 출력 및/또는 예상치는 다른 시스템, 유저, 및/또는 미래의 사용을 위해 스토리지 디바이스에 제공될 수도 있다. 출력 및 예상치를 제공하는 임의의 수단이 사용될 수도 있다. 이러한 출력 및 예상치는 또한, 블록 420으로 리턴하여, 다음 시뮬레이션에 대한 입력으로서 제공될 수도 있다.
블록 440의 출력 및 예상치에 기초하여, 블록 450에서, 물리적 냉각탑 시스템의 설정지점 또는 임의의 다른 양태의 임의의 조정, 제어, 및/또는 향상이 수행되어야 하는지의 여부에 관한 결정이 이루어질 수도 있다. 수행되어야 하지 않는다면, 방법은 다음 시뮬레이션을 위해 블록 410으로 리턴할 수도 있다. 조정, 제어, 및/또는 향상이 이루어져야 한다면, 블록 460에서, 냉각탑 시스템의 설정지점 및/또는 다른 양태는 조정될 수도 있다. 이들 조정은 블록 420에서의 다음 시뮬레이션에 대해 사용하기 위해 저장되거나 또는 시뮬레이션 모델에 대해 저장될 수도 있고, 방법은 또한, 블록 410에서 다른 시뮬레이션을 시작하기 위해 리턴할 수도 있다. 조정은 자동적으로 또는 수동으로 이루어질 수도 있고, 유저의 개입을 필요로 할 수도 있거나 또는 필요로 하지 않을 수도 있다는 것을 유의한다.
출력, 예상치, 및 조정치를 결정하기 위해서뿐만 아니라, 냉각탑 시스템을 동작시키기 위해 사용될 수도 있는 다른 계산을 수행하기 위해, 냉각탑 시스템 시뮬레이션 모델에 의해 사용될 수도 있는 몇몇 예시적인 식이 하기에서 제시된다. 본원에서 기재되는 식 중 임의의 것은, 별개로, 본원에서 설명되는 임의의 다른 식의 서브셋과 함께, 또는, 본원에서 설명되는 것 및 본원에서 기재되지 않는 것을 포함하는 임의의 다른 식과 조합하여 사용될 수도 있다는 것을 유의한다. 모든 이러한 실시형태는 본 개시의 범위 내에 있는 것으로 간주된다.
하기의 식 (1)은 전체 탑(tower)에서의 물에 대한 물질 밸런스(material balance)를 위해 사용될 수도 있다:
Figure pct00001
여기서 qm은 보급 유량이고, qbd는 블로다운 유량이고, qj는 냉각탑 저수조로 들어가는 상이한 화학 제품 스트림의 유량을 나타내고, qv는 증기로서 상실한 유체 유량을 나타내고, qloss는 시스템으로부터의 손실량을 나타내고, qleak는 시스템 안으로의 누설량을 나타낸다.
냉각탑 시스템에 대해 고려되는 모든 종(i)에 대해, 일반적인 물질 밸런스는 식 (2)를 사용하여 구축될 수도 있다:
Figure pct00002
여기서 Ci ,m은 보급부에서의 i번째 종의 농도이고, Ci는 시스템의 종의 농도이고, Ci,j는 j번째 스트림에서의 i번째 종의 농도이고, ri는 시스템에서의 종의 소비량이다.
식 (3)을 사용하는 것에 의해, 전체 에너지 밸런스는 시스템에 대한 열 부하를 모니터링하도록 구축될 수도 있다:
Figure pct00003
여기서 T는 시스템의 온도이고, Tm은 보급부의 온도이고, Tj는 j번째 스트림의 온도이고, Δhvap는 기화 잠열이고, Cp는 물의 비열 용량(specific heat capacity)이고, qr은 재순환 유량이다.
냉각탑 시스템의 동적 시뮬레이션 모델은, 입력-출력 연결을 통해 연결되어 전체 모델을 구성하는 하나 이상의 서브모델(예를 들면, 화학 물질 공급 탱크의 하나 이상의 서브모델, 냉각탑의 하나 이상의 서브모델 등등)로 구성될 수도 있다. 일반적인 EKF 구조의 목적을 위해, 서브모델 및 서브모델 사이의 연결이 어떻게 표현되는지는 전체 모델 내에서 정의될 수도 있다. 서브모델은 식 (4)에서 도시되는 상 미분 방정식(ordinary differential equation; ODE)으로서 설명될 수도 있다:
Figure pct00004
여기서 i는 서브모델의 인덱스이고, ns는 전체 시스템에 존재하는 서브모델의 총 수이고,
Figure pct00005
는 서브모델 i의 상태이고,
Figure pct00006
는 서브모델 i의 입력이고,
Figure pct00007
는 서브모델 i의 출력이다. 식 (4)에서 정의되는 서브모델과 유사한 전체 시스템을 정의하기 위해, 식 (5)에서 나타내어지는 것과 같이 사슬연결된(concatenated) 입력, 상태, 및 출력이 먼저 정의될 수도 있다:
Figure pct00008
여기서
Figure pct00009
는 사슬연결된 시스템의 상태이고, 는
Figure pct00010
입력이고,
Figure pct00011
는 출력이다. 전체 시스템에 관련되는 사이즈, nX, nU, 및 nY는 식 (6)에서 나타내어지는 바와 같이 서브모델 사이즈에 관련된다.
Figure pct00012
전체 사슬연결된 시스템은 이제 식 (7)에서 나타내어지는 바와 같이 정의될 수도 있다.
Figure pct00013
서브모델에 대한 입력 중 많은 것이 다른 서브모델로부터의 출력일 수도 있기 때문에 소프트웨어로 시뮬레이팅되는 전체 시스템 모델은 식 (7)에서 나타내어지는 것과 동일하지 않을 수도 있고, 시뮬레이션 소프트웨어는 하기의 식 (8)에서 나타내어지는 전체 상호접속된 비선형 OED 시스템을 풀(solve) 수도 있다는 것을 유의한다:
Figure pct00014
여기서
Figure pct00015
는 전체 시스템에 대한 외부 입력이다. 전체 시스템에 대한 외부 입력은, 서브모델 사이의 연결 모두가 확립된 이후 연결되지 않고 남아 있는 서브모델 입력일 수도 있다.
식 (7) 및 식 (8)에서 제시되는 시스템 정의는, 모델을 실행하기 위해 그리고 모델이 실제의 물리적 냉각탑 시스템을 닮는 것을 보장하기 위해 정의될 필요가 있는 많은 파라미터를 가질 수도 있다. 모델의 파라미터 중 많은 것은 냉각탑 시스템에 관한 디자인 정보를 반영할 수도 있고 따라서 시간이 지남에 따라 변할 가능성이 없다. 그러나, 모델의 소정의 파라미터는 시간이 지남에 따라 변할 수도 있고 시스템 정의에서 적절히 표현되어야 한다. 모델의 np개의 시변 파라미터가 존재한다고 가정하면, 식 (7)의 사슬연결된(concatenated) 시스템은 식 (9)가 되고:
Figure pct00016
식 (8)의 전체 상호접속된 시스템 정의는 식 (10)이 된다:
Figure pct00017
.
EKF 구현예가 이산 시간(discrete-time)에 수행될 수도 있기 때문에, 이전의 시스템 정의는 그들의 이산 시간 대응부(discrete-time counterpart)로 변환될 수도 있다. 불확실한 시변(time-varying) 파라미터 외에, 시스템 모델 자체와 측정치의 불확실성을 고려하도록, 시스템 정의는 추가로 개선될 수도 있다. 식 (9)의 사슬연결된 시스템은 식 (11)이 될 수도 있고:
Figure pct00018
식 (10)에서 정의되는 전체 상호접속된 시스템은 식 (12)가 될 수도 있다:
Figure pct00019
.
식 (11) 및 식 (12)에서,
Figure pct00020
,
Figure pct00021
, 및
Figure pct00022
는 제로 평균의 이산 시간 화이트 노이즈이고, 시변 파라미터는 랜덤 워크 모델(random-walk model)을 따르는 것으로 가정되고,
Figure pct00023
는 각각 F 및
Figure pct00024
의 이산 대응부이다. 또한, EKF 구현예는, 제로 평균의 화이트 노이즈와는 별개로 측정치 중 일부에서, 사슬연결된 시스템 표현을 식 (13)으로:
Figure pct00025
상호접속된 시스템 표현을 식 (14)로:
Figure pct00026
렌더링하는 영구적인 바이어스
Figure pct00027
을 고려할 수도 있다.
상기 식에서 이루어지는 다른 가정은, 시스템에 대한 외부 입력이 불확실성을 갖지 않는다는 것인데, 이것은 일반적으로는 사실이 아닐 수도 있다. 외부 입력의 향상된 표현은, 식 (15)에서 나타내어지는 바와 같이 외부 입력 측정치 주위에서 제로 평균 화이트 노이즈를 고려할 수도 있다:
Figure pct00028
여기서
Figure pct00029
이다.
냉각탑 시스템 시뮬레이션 모델에 대해 사용되는 EKF는, 식 (16)의 선형 사슬연결된 시스템을 제공하는 각각의 서브모델을 즉시 선형화할 수도 있다:
식 (7)로부터 시작하는
Figure pct00030
.
식 (16)은 사슬연결된 시스템의 선형화이고 상호접속된 시스템의 선형화가 아니다는 것을 유의한다. 상호접속된 시스템의 선형화를 달성하기 위해, 사슬연결된 입력 벡터(U)는 식 (17)에서 나타내어지는 바와 같이 외부 입력 벡터(Ue)의 함수로서 표현될 수도 있다:
Figure pct00031
.
식 (16) 및 식 (17)에서 Y의 선형화를 사용하면, Y는 식 (18)에서 나타내어지는 바와 같이 다음이 된다:
Figure pct00032
.
EKF 선형화 기계류(linearization machinery)에서는, 입력과 파라미터 사이에 구별이 없을 수도 있고, 따라서 식 (17) 및 (18)에서의
Figure pct00033
의 사용은 잘못 이어질 수도 있다. EKF 기계류에서, U와 p를 혼합시킨 큰 입력 벡터가 존재할 수도 있다. 소프트웨어 실시형태에서, U 및 p는, EKF 측정치 업데이트 기계류에 대한 코드가 실행되기 이전에 코드 내에서 분리될 수도 있다. 출력 벡터는 식 (19)에서 나타내어지는 바와 같이 식 (18)로부터 풀릴 수도 있고:
Figure pct00034
식 (19)는 식 (20)으로서 간결하게 표현될 수 있다:
Figure pct00035
여기서
Figure pct00036
이고
Figure pct00037
이다. 그러면, 전체 입력 벡터는 식 (21)이 된다:
Figure pct00038
.
식 (21)을 다시 식(16)에 치환하는 것에 의해, 식 (8)에 대응하는 선형화된 시스템은 식 (22)로서 획득될 수도 있다:
Figure pct00039
여기서
Figure pct00040
이고
Figure pct00041
이다. 식 (22)의 전체 상호접속된 시스템의 선형화된 표현은 연속 시간 표현일 수도 있다. 식 (23)의 이산화된 표현을 도달하기 위해 사다리꼴 이산화(Trapezoidal discretization)가 사용될 수도 있다:
Figure pct00042
여기서 Ts는 이산 시간 시스템의 샘플링 시간이다. 그 다음, 이산 시간 선형화 상호접속 시스템은 식 (24)에 의해 이산화될 수도 있다.
Figure pct00043
.
외부 입력 측정치 주위의 불확실성이 가산적이다는 것(즉,
Figure pct00044
, 여기서
Figure pct00045
은 측정된 외부 입력이고, Ue는 실제 측정된 입력이고,
Figure pct00046
는 외부 입력 측정치 이산 시간 화이트 노이즈이다), 파라미터로부터 외부 입력의 효과를 분리하는 것, 측정 바이어스를 고려하는 것, 모델의 불확실성을 고려하는 것을 가정하면, 식 (24)는 식 (25)가 될 수도 있다:
Figure pct00047
.
냉각탑 시스템의 이산 시간 비선형(식 (15)) 및 이산 시간 선형(식 (25)) 표현을 가지기 때문에, 이제 EKF 이득이 계산될 수도 있다. 그러나, 식 (25)를 단순화하기 위해 증강된 상태 벡터(augmented state vector)를 생성하는 것이 유익할 수도 있는데, 식 (25)를 단순화하는 것은 결국에는 EKF 이득 계산을 단순화할 수도 있다. 증강된 상태 벡터는 식 (26)으로서 정의될 수도 있다:
Figure pct00048
.
식 (26)의 증강된 상태 벡터의 사용을 통해, 식 (25)의 선형화된 시스템은 식 (27) 및 (28)이 될 수도 있다:
Figure pct00049
,
Figure pct00050
.
마지막 단계(the last time step)로부터의 전파된 상태 추정치
Figure pct00051
, 마지막 단계로부터의 전파된 상태 공분산(state covariance)
Figure pct00052
, 비선형 냉각탑 시스템 시뮬레이션 모델의 선형화로부터 유래하는 상태 매트릭스
Figure pct00053
, 금회 단계(the current time step)에서의 외부 입력 Ue ,m,k, 및 출력에 대한 이산 시간 화이트 노이즈의 공분산 RY, 외부 입력에 대한 이산 시간 화이트 노이즈의 공분산 RU를 사용하여, 금회 단계에 대한 칼만 이득 Kk가 계산될 수도 있다. 그 다음, 상태 추정치 및 상태 공분산은, 칼만 이득, 냉각탑 시스템으로부터의 측정된 출력 Yk, 증강된 상태의 프로세스 노이즈 공분산 QX, 바이어스의 프로세스 노이즈 공분산 Qb, 및 파라미터의 프로세스 노이즈 공분산 Qp의 사용을 통해 금회 단계로 업데이트될 수도 있다.
시간 k의
Figure pct00054
,
Figure pct00055
, 측정치 벡터(Yk), 및 상태 매트릭스가 주어지면, 도 5의 방법(500)은 냉각탑 시스템 시뮬레이션 모델의 한 실시형태에 따라 EKF를 구현하도록 수행될 수도 있다. 방법(500), 및 방법(500)에서 설명되는 개개의 액션 및 기능은, 본원에서 설명되는 것을 포함하는 임의의 하나 이상의 디바이스 또는 컴포넌트에 의해 수행될 수도 있다. 방법(500)의 블록 중 임의의 것과 관련하여 설명되는 기능 및/또는 액션 중 임의의 것은, 임의의 순서로, 별개로, 방법(500) 또는 본원에서 설명되는 임의의 다른 방법의 다른 블록 중 임의의 것과 관련하여 설명되는 다른 기능 및/또는 액션의 서브셋과 함께, 그리고 본원에서 설명되는 것 및 본원에서 기재되지 않는 것을 포함하는 다른 기능 및/또는 액션과 조합하여 수행될 수도 있다는 것을 유의한다. 모든 이러한 실시형태는 본 개시의 범위 내에 있는 것으로 간주된다.
블록 510에서, 식 (29)를 사용하여 출력 요구가 만들어질 수도 있다:
Figure pct00056
.
블록 511에서, 칼만 이득은 식 (30)을 사용하여 계산될 수도 있다:
Figure pct00057
.
블록 512에서, 상태 벡터 및 상태 공분산 매트릭스는 식 (31) 및 (32)를 사용하여 업데이트될 수도 있다:
Figure pct00058
Figure pct00059
.
블록 513에서, 상태 벡터 및 상태 공분산 매트릭스는, 식 (33) 및 (34)에서 나타내어지는 바와 같이, 다음 번 단계로 전파될 수도 있고, 방법은 계속된 실행을 위해 블록 510으로 리턴할 수도 있다:
Figure pct00060
Figure pct00061
,
여기서,
Figure pct00062
,
Figure pct00063
,
Figure pct00064
,
Figure pct00065
,
Figure pct00066
, 및
Figure pct00067
이다.
본원에서 개시되는 바와 같은 선형화는
Figure pct00068
를 사용하여 수행될 수도 있지만, 그러나, 본원에서, 상태 공간 매트릭스는 간략화를 위해 아래첨자 k를 가지고 명명될 수도 있다는 것을 유의한다. 또한, 선형화는 정확도를 향상시키기 위해 업데이트된 상태 벡터
Figure pct00069
를 이용하여 다시 수행될 수도 있다. 방법(500)은 선형화의 이 업데이트를 명시적으로 제공하지 않는데, 이것은, 시간 제약으로 인해 그리고 선형화가
Figure pct00070
과
Figure pct00071
사이를 극적으로 변경시켜 계산 부하를 감소시킬 가능성이 없기 때문에, 수행되지 않을 수도 있다.
한 실시형태에서, 냉각탑 시스템 시뮬레이션 모델에서 사용되는 바와 같은 EKF는, 칼만 이득 Kk의 계산 동안 반전되어야 하는 매트릭스
Figure pct00072
의 더 나은 조건수(condition number)를 제공하기 위해, 상태 공분산, 상태, 및 출력의 스케일링을 허용할 수도 있다. 상태 벡터 X는, 식 (35)에서 나타내어지는 바와 같이 초기 상태 공분산 P0의 매트릭스 제곱근으로 스케일링될 수도 있다.
Figure pct00073
출력은 또한, 식 (36)에서 나타내어지는 바와 같이 출력 측정치 공분산 매트릭스 RY를 사용하여 스케일링될 수도 있다.
Figure pct00074
기술분야의 숙련된 자가 인식할 바와 같이, 시스템의 상태 공간 매트릭스는 또한 식 (35) 및 (36) 중 하나 또는 둘 다에 따라 스케일링될 수도 있다.
본원에서 기재되는 시스템 및 방법의 기술적 효과는, 냉각탑 시스템의 보다 효율적인 동작 및 이러한 시스템이 갖는 문제점을 검출하고 진단하는 향상된 능력이다. 기술분야의 숙련된 자가 알 수 있는 바와 같이, 개시된 프로세스 및 시스템의 사용은 운용 비용을 감소시키고 냉각탑 시스템의 성능을 향상시킬 수도 있다. 기술분야의 숙련된 자는, 개시된 시스템 및 방법이, 한층 더 큰 냉각탑 시스템 제어 및 동작의 향상을 달성하기 위해, 다른 시스템 및 기술과 조합하여 사용될 수도 있다는 것을 알 수 있을 것이다. 모든 이러한 실시형태는 본 개시의 범위 내에 있는 것으로 간주된다.
도 6 및 후속하는 논의는, 본원에서 개시되는 방법 및 시스템 및/또는 그 일부가 구현될 수도 있는 적절한 컴퓨팅 환경의 간략하고 일반적인 설명을 제공하도록 의도된다. 예를 들면, 냉각탑 시스템 시뮬레이션 모델은, 도 6과 관련하여 설명되는 양태 중 일부 또는 전체를 포함하는 하나 이상의 디바이스 상에 저장되고/되거나 그 하나 이상의 디바이스에 의해 실행될 수도 있다. 청구되는 실시형태의 기능을 수행하기 위해 사용될 수도 있는 도 6에서 설명되는 디바이스 중 일부 또는 전체는, 냉각탑 시스템의 물리적 장소로부터 떨어져 있는 또는 그 물리적 장소에 위치되는 컴퓨팅 디바이스에서 구성될 수도 있다. 도 6에서 설명되는 디바이스 중 일부 또는 전체는, 개시된 실시형태의 임의의 양태를 수행하는 임의의 디바이스, 디바이스의 조합, 또는 임의의 시스템에 포함될 수도 있다.
필수적이지는 않지만, 본원에서 개시되는 방법 및 시스템은, 프로그램 모듈과 같은 컴퓨터 실행가능 명령어가 클라이언트 워크스테이션, 서버 또는 퍼스널 컴퓨터와 같은 컴퓨터에 의해 실행되는 일반적 맥락에서 설명될 수도 있다. 이러한 컴퓨터 실행가능 명령어는, 본질적으로 일시적 신호가 아닌 임의의 타입의 컴퓨터 판독가능한 스토리지 디바이스 상에 저장될 수도 있다. 이러한 디바이스는, 컴팩트 디스크, 디지털 다기능 디스크, 하드 드라이브, 및 임의의 타입의 메모리를 포함할 수도 있지만, 이들로 제한되는 것은 아니다. 일반적으로, 프로그램 모듈은, 특정 태스크를 수행하거나 특정 추상 데이터 타입을 구현하는 루틴, 프로그램, 오브젝트, 컴포넌트, 데이터 구조 등등을 포함한다. 또한, 본원에서 개시되는 방법 및 시스템 및/또는 그 일부는, 핸드헬드 디바이스, 멀티 프로세서 시스템, 마이크로프로세서 기반 또는 프로그래머블 소비자 가전기기, 네트워크 PC, 미니 컴퓨터, 메인프레임 컴퓨터 등등을 포함하는 다른 컴퓨터 시스템 구성과 함께 실시될 수도 있다는 것이 인식되어야 한다. 본원에서 개시되는 방법 및 시스템은 또한, 통신 네트워크를 통해 링크되는 원격 프로세싱 디바이스에 의해 태스크가 수행되는 분산형 컴퓨팅 환경에서 실시될 수도 있다. 분산형 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 스토리지 디바이스 둘 모두에 위치될 수도 있다.
도 6은, 본원에서 개시되는 방법 및 시스템 및/또는 그 일부의 양태가 통합될 수도 있는 범용 컴퓨터 시스템을 나타내는 블록도이다. 도시되는 바와 같이, 예시적인 범용 컴퓨팅 시스템은, 프로세싱 유닛(521)을 포함하는 컴퓨터(520) 등등, 시스템 메모리(522), 및 시스템 메모리를 포함하는 다양한 시스템 컴포넌트를 프로세싱 유닛(521)에 커플링하는 시스템 버스(523)를 포함한다. 시스템 버스(523)는, 메모리 버스 또는 메모리 컨트롤러, 주변장치 버스, 및 다양한 버스 아키텍쳐 중 임의의 것을 사용하는 로컬 버스를 포함하는 여러 타입의 버스 구조 중 임의의 것일 수도 있다. 시스템 메모리는 리드 온리 메모리(read-only memory; ROM)(524) 및 랜덤 액세스 메모리(random access memory; RAM)(525)를 포함할 수도 있다. 예컨대 기동(start-up) 동안 컴퓨터 시스템(520) 내의 엘리먼트 사이에서의 정보 전송을 보조하는 기본 루틴을 포함할 수도 있는 기본 입/출력 시스템(basic input/output system; BIOS)(526)은 ROM(524)에 저장될 수도 있다.
컴퓨터(520)는, 하드 디스크(도시되지 않음)로부터 판독하거나 또는 하드 디스크에 기록하기 위한 하드 디스크 드라이브(527), 착탈식 자기 디스크(529)로부터 판독하거나 또는 착탈식 자기 디스크(529)에 기록하기 위한 자기 디스크 드라이브(528), 및/또는 CD-ROM 또는 다른 광학 매체와 같은 착탈식 광학 디스크(531)로부터 판독하거나 또는 착탈식 광학 디스크(531)에 기록하기 위한 광학 디스크 드라이브(530)를 더 포함할 수도 있다. 하드 디스크 드라이브(527), 자기 디스크 드라이브(528), 및 광학 디스크 드라이브(530)는, 각각, 하드 디스크 드라이브 인터페이스(532), 자기 디스크 드라이브 인터페이스(533), 및 광학 드라이브 인터페이스(534)에 의해 시스템 버스(523)에 연결된다. 드라이브 및 그들의 관련 컴퓨터 판독가능한 저장 매체는, 컴퓨터 판독가능한 명령어, 데이터 구조, 프로그램 모듈, 및 컴퓨터(520)에 대한 다른 데이터의 불휘발성 스토리지를 제공한다.
본원에서 설명되는 예시적인 환경이 하드 디스크, 착탈식 자기 디스크(529), 및 착탈식 광학 디스크(531)를 활용하지만, 예시적인 동작 환경에서, 컴퓨터에 의해 액세스될 수 있는 데이터를 저장할 수 있는 다른 타입의 컴퓨터 판독가능한 매체가 또한 사용될 수도 있다는 것이 인식되어야 한다. 이러한 다른 타입의 매체는, 자기 카세트, 플래시 메모리 카드, 디지털 비디오 또는 다기능 디스크, 베르누이 카트리지(Bernoulli cartridge), 랜덤 액세스 메모리(random access memory; RAM), 리드 온리 메모리(read-only memory; ROM) 등등을 포함하지만, 이들로 제한되지는 않는다.
오퍼레이팅 시스템(535), 하나 이상의 애플리케이션 프로그램(536), 다른 프로그램 모듈(537), 및 프로그램 데이터(538)를 포함하는 다수의 프로그램 모듈은, 하드 디스크(527), 자기 디스크(529), 광학 디스크(531), ROM(524), 및/또는 RAM(525) 상에 저장될 수도 있다. 유저는 키보드(540)와 같은 입력 디바이스 및 포인팅 디바이스(542)를 통해 커맨드 및 정보를 컴퓨터(520)에 입력할 수도 있다. 다른 입력 디바이스(도시되지 않음)는 마이크, 조이스틱, 게임 패드, 위성 접시, 스캐너 등등을 포함할 수도 있다. 이들 및 다른 입력 디바이스는 시스템 버스에 커플링되는 직렬 포트 인터페이스(546)를 통해 프로세싱 유닛(521)에 종종 연결되지만, 병렬 포트, 게임 포트 또는 범용 직렬 버스(universal serial bus; USB)와 같은 다른 인터페이스에 의해 연결될 수도 있다. 비디오 어댑터(548)와 같은 인터페이스를 통해, 모니터(547) 또는 다른 타입의 디스플레이 디바이스가 시스템 버스(523)에 또한 연결될 수도 있다. 모니터(547) 외에, 컴퓨터는 통상적으로 다른 주변장치 출력 디바이스(도시되지 않음), 예컨대 스피커 및 프린터를 포함할 수도 있다. 도 6의 예시적인 시스템은 또한, 호스트 어댑터(555), 소형 컴퓨터 시스템 인터페이스(Small Computer System Interface; SCSI) 버스(556), 및 SCSI 버스(556)에 연결될 수도 있는 외부 스토리지 디바이스(562)를 포함할 수도 있다.
컴퓨터(520)는, 하나 이상의 원격 컴퓨터 또는 디바이스에 대한 논리적 및/또는 물리적 연결을 사용하여 네트워크화된 환경에서 동작할 수도 있다. 원격 컴퓨터(549)는 퍼스널 컴퓨터, 서버, 라우터, 네트워크 PC, 피어 디바이스(peer device) 또는 다른 일반적인 네트워크 노드일 수도 있고, 컴퓨터(520)와 관련하여 상기에서 설명되는 엘리먼트 중 많은 것 또는 모두를 포함할 수도 있지만, 도 6에서는 메모리 스토리지 디바이스(550)만이 예시되어 있다. 도 6에서 묘사되는 논리적 연결은 근거리 통신망(local area network; LAN)(551) 및 광역 통신망(wide area network; WAN)(552)를 포함할 수도 있다. 이러한 네트워킹 환경은 사무실, 전사적 컴퓨터 네트워크(enterprise-wide computer network), 인트라넷 및 인터넷에서는 일반적이다.
LAN 네트워킹 환경에서 사용되는 경우, 컴퓨터(520)는 네트워크 인터페이스 또는 어댑터(553)를 통해 LAN(551)에 연결될 수도 있다WAN 네트워킹 환경에서 사용되는 경우, 컴퓨터(520)는 모뎀(554) 또는 인터넷과 같은 광역 통신망(552)을 통해 통신을 확립하기 위한 다른 수단을 포함할 수도 있다. 내부 또는 외부에 있을 수도 있는 모뎀(554)은 직렬 포트 인터페이스(546)를 통해 시스템 버스(523)에 연결될 수도 있다. 네트워크화된 환경에서, 컴퓨터(520)와 관련하여 묘사되는 프로그램 모듈, 또는 그 일부는 원격 메모리 스토리지 디바이스에 저장될 수도 있다. 나타내어진 네트워크 연결은 예시이며 컴퓨터 사이에서 통신 링크를 확립하기 위한 다른 수단이 사용될 수도 있다는 것이 이해될 것이다.
컴퓨터(520)는 다양한 컴퓨터 판독가능한 저장 매체를 포함할 수도 있다. 컴퓨터 판독가능한 매체는 컴퓨터(520)에 의해 액세스될 수 있으며 휘발성 및 불휘발성 둘 다의 착탈식 및 비착탈식의 매체를 포함하는 임의의 이용가능한 유형의(tangible) 매체일 수 있다. 비제한적인 예로서, 컴퓨터 판독가능한 매체는 컴퓨터 저장 매체 및 통신 매체를 포함할 수도 있다. 컴퓨터 저장 매체는, 컴퓨터 판독 가능 명령어, 데이터 구조, 프로그램 모듈 또는 다른 데이터와 같은 정보 저장을 위한 임의의 방법 또는 기술로 구현되는 휘발성 및 불휘발성의 착탈식 및 비착탈식 매체를 포함한다. 컴퓨터 저장 매체는, RAM, ROM, EEPROM, 플래시 메모리 또는 다른 메모리 기술, CD-ROM, 디지털 다기능 디스크들(digital versatile disk; DVD) 또는 다른 광학 스토리지, 자기 카세트, 자기 테이프, 자기 디스크 스토리지 또는 다른 자기 스토리지 디바이스, 또는 소망의 정보를 저장하기 위해 사용될 수도 있고 컴퓨터(520)에 의해 액세스될 수 있는 임의의 다른 유형의 비일시적 매체를 포함하지만, 이들로 제한되는 것은 아니다. 상기의 것 중 임의의 것의 조합도 또한, 본원에서 설명되는 방법 및 시스템을 구현하기 위한 소스 코드를 저장하기 위해 사용될 수도 있는 컴퓨터 판독가능한 매체의 범위 내에 포함되어야 한다. 본원에서 개시되는 피쳐 또는 엘리먼트의 임의의 조합은 하나 이상의 실시형태에서 사용될 수도 있다.
이 기재된 설명은, 본원에서 포함되는 주제를 개시하기 위해, 그리고 또한 기술분야의 숙련된 자가, 임의의 디바이스 또는 시스템을 만들고 사용하며 임의의 통합된 방법을 수행하는 것을 포함해서, 본 발명을 실시하는 것을 가능하게 하기 위해, 최적의 모드를 포함하는 예를 사용한다. 본 발명의 특허가능한 범위는 특허청구범위에 의해 정의되며, 기술분야의 숙련된 자가 떠올리는 다른 예를 포함할 수도 있다. 이러한 다른 예는, 이러한 다른 예가 특허청구범위의 문자적 언어와는 상이하지 않은 구조적 엘리먼트를 가지면, 또는 이러한 다른 예가 특허청구범위의 문자적 언어와는 비실질적 차이(insubstantial difference)를 갖는 등가의 구조적 엘리먼트를 포함하면, 특허청구범위 내에 있는 것으로 의도된다.

Claims (20)

  1. 냉각탑 모니터링 시스템에 있어서,
    컴퓨터 명령어를 포함하는 메모리; 및
    상기 메모리에 커플링되는 프로세서를 포함하고,
    상기 컴퓨터 명령어를 실행할 때, 상기 프로세서는,
    냉각탑 센서로부터 적어도 하나의 측정치를 수신하는 것;
    냉각탑 시스템의 모델에 기초하여 상기 냉각탑 시스템의 예상된 출력을 생성하는 것; 및
    적어도 하나의 측정치 및 상기 예상된 출력을 입력으로 갖는 확장 칼만 필터(extended Kalman filter)를 사용하여, 추정된 출력 - 상기 추정된 출력은 상기 냉각탑 시스템의 특성을 나타냄 - 을 생성하는 것
    을 포함하는 동작을 수행하는, 냉각탑 모니터링 시스템.
  2. 제1항에 있어서,
    상기 냉각탑 시스템의 상기 예상된 출력은 상기 냉각탑 시스템의 측정되지 않은 특성과 연관되는 것인 냉각탑 모니터링 시스템.
  3. 제2항에 있어서,
    상기 동작은, 상기 추정된 출력이 설정지점(setpoint)과 실질적으로 매치되도록 상기 냉각탑 시스템의 파라미터를 조정하는 것을 더 포함하는 냉각탑 모니터링 시스템.
  4. 제1항에 있어서,
    상기 동작은, 제어된 출력이 설정지점과 실질적으로 매치되도록 상기 냉각탑 시스템의 파라미터를 조정하는 것을 더 포함하는 냉각탑 모니터링 시스템.
  5. 제1항에 있어서,
    상기 추정된 출력은 상기 냉각탑 시스템의 모델 파라미터 또는 상기 냉각탑 센서의 바이어스를 보정하기 위한 상기 냉각탑 센서로부터의 상기 적어도 하나의 측정치의 조정값 중 적어도 하나인 것인 냉각탑 모니터링 시스템.
  6. 제1항에 있어서,
    상기 예상된 출력을 생성하는 것은, 제2 냉각탑 센서로부터 수신되는 이력 측정치 데이터에 기초하여 상기 예상된 출력을 생성하는 것을 포함하는 것인 냉각탑 모니터링 시스템.
  7. 제1항에 있어서,
    상기 추정된 출력은 상기 냉각탑 시스템의 측정되지 않은 특성과 연관되고,
    상기 동작은 상기 추정된 출력 및 실시간 최적화기(optimizer)를 사용하여 상기 냉각탑 시스템의 동작을 조정하는 것을 더 포함하는 냉각탑 모니터링 시스템.
  8. 냉각탑 시스템을 모니터링하는 방법에 있어서,
    컴퓨팅 디바이스에서, 냉각탑 센서로부터 적어도 하나의 측정치를 수신하는 단계;
    상기 컴퓨팅 디바이스에서, 냉각탑 시스템의 모델에 기초하여 상기 냉각탑 시스템의 예상된 출력을 생성하는 단계; 및
    상기 컴퓨팅 디바이스에서, 상기 적어도 하나의 측정치 및 상기 예상된 출력을 입력으로 갖는 확장 칼만 필터를 사용하여, 추정된 출력 - 상기 추정된 출력은 상기 냉각탑 시스템의 특성을 나타냄 - 을 생성하는 단계를 포함하는, 냉각탑 시스템을 모니터링하는 방법.
  9. 제8항에 있어서,
    상기 냉각탑 시스템의 상기 예상된 출력은, 상기 냉각탑 시스템의 측정되지 않은 특성과 연관되는 것인 냉각탑 시스템을 모니터링하는 방법.
  10. 제9항에 있어서,
    상기 추정된 출력이 설정지점과 실질적으로 매치되도록 상기 냉각탑 시스템의 파라미터를 조정하는 단계를 더 포함하는 냉각탑 시스템을 모니터링하는 방법.
  11. 제8항에 있어서,
    제어된 출력이 설정지점과 실질적으로 매치되도록 상기 냉각탑 시스템의 파라미터를 조정하는 단계를 더 포함하는 냉각탑 시스템을 모니터링하는 방법.
  12. 제8항에 있어서,
    상기 추정된 출력은 상기 냉각탑 시스템의 모델 파라미터 또는 상기 냉각탑 센서의 바이어스를 보정하기 위한 상기 냉각탑 센서로부터의 상기 적어도 하나의 측정치의 조정값 중 적어도 하나인 것인 냉각탑 시스템을 모니터링하는 방법.
  13. 제12항에 있어서,
    상기 예상된 출력을 생성하는 단계는, 제2 냉각탑 센서로부터 수신되는 이력 측정치 데이터에 기초하여 상기 예상된 출력을 생성하는 단계를 포함하는 것인 냉각탑 시스템을 모니터링하는 방법.
  14. 제8항에 있어서,
    상기 추정된 출력은 상기 냉각탑 시스템의 측정되지 않은 특성과 연관되고,
    상기 방법은 상기 추정된 출력 및 실시간 최적화기를 사용하여 상기 냉각탑 시스템의 동작을 조정하는 단계를 더 포함하는 냉각탑 시스템을 모니터링하는 방법.
  15. 실행가능 명령어를 포함하는 컴퓨터 판독가능한 저장 매체로서,
    상기 명령어는, 프로세서에 의한 실행시, 상기 프로세서로 하여금,
    냉각탑 센서로부터 적어도 하나의 측정치를 수신하는 것;
    냉각탑 시스템의 모델에 기초하여 상기 냉각탑 시스템의 예상된 출력을 생성하는 것; 및
    적어도 하나의 측정치 및 상기 예상된 출력을 입력으로 갖는 확장 칼만 필터(extended Kalman filter)를 사용하여, 추정된 출력 - 상기 추정된 출력은 상기 냉각탑 시스템의 특성을 나타냄 - 을 생성하는 것
    을 포함하는 동작을 수행하게 하는 것인 컴퓨터 판독가능한 저장 매체.
  16. 제15항에 있어서,
    상기 냉각탑 시스템의 상기 예상된 출력은, 상기 냉각탑 시스템의 측정되지 않은 특성과 연관되는 것인 컴퓨터 판독가능한 저장 매체.
  17. 제16항에 있어서,
    상기 동작은, 상기 추정된 출력이 설정지점과 실질적으로 매치되도록 상기 냉각탑 시스템의 파라미터를 조정하는 것을 더 포함하는 컴퓨터 판독가능한 저장 매체.
  18. 제15항에 있어서,
    상기 동작은, 제어된 출력이 설정지점과 실질적으로 매치되도록 상기 냉각탑 시스템의 파라미터를 조정하는 것을 더 포함하는 컴퓨터 판독가능한 저장 매체.
  19. 제15항에 있어서,
    상기 추정된 출력은 상기 냉각탑 시스템의 모델 파라미터 또는 상기 냉각탑 센서의 바이어스를 보정하기 위한 상기 냉각탑 센서로부터의 상기 적어도 하나의 측정치의 조정값 중 적어도 하나인 것인 컴퓨터 판독가능한 저장 매체.
  20. 제19항에 있어서,
    상기 추정된 출력은 상기 냉각탑 시스템의 측정되지 않은 특성과 연관되고,
    상기 동작은 상기 추정된 출력 및 실시간 최적화기를 사용하여 상기 냉각탑 시스템의 동작을 조정하는 것을 더 포함하는 컴퓨터 판독가능한 저장 매체.
KR1020167004915A 2013-07-25 2013-07-25 냉각탑 시스템의 동적 모니터링, 진단 및 제어 KR102189649B1 (ko)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/US2013/051981 WO2015012832A1 (en) 2013-07-25 2013-07-25 Dynamic monitoring, diagnosis, and control of cooling tower systems

Publications (2)

Publication Number Publication Date
KR20160034413A true KR20160034413A (ko) 2016-03-29
KR102189649B1 KR102189649B1 (ko) 2020-12-11

Family

ID=48998692

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020167004915A KR102189649B1 (ko) 2013-07-25 2013-07-25 냉각탑 시스템의 동적 모니터링, 진단 및 제어

Country Status (5)

Country Link
US (1) US10041736B2 (ko)
EP (1) EP3025202B1 (ko)
KR (1) KR102189649B1 (ko)
CN (1) CN105793783B (ko)
WO (1) WO2015012832A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200027849A (ko) 2018-09-05 2020-03-13 한국수력원자력 주식회사 냉각수 냉각시스템 및 냉각방법

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3033036B1 (fr) * 2015-02-19 2017-03-17 Electricite De France Procede de detection de deficiences d'un aerorefrigerant d'une installation thermique en fonctionnement
JP6632277B2 (ja) * 2015-09-11 2020-01-22 日立ジョンソンコントロールズ空調株式会社 冷却塔循環水の汚れ検査装置および汚れ検査方法
DE102016102977A1 (de) * 2016-02-19 2017-08-24 Areva Gmbh Stationäre Messvorrichtung für Kühltürme und Verfahren zum Messen von Messdaten im Inneren eines Kühlturms
FR3059777B1 (fr) * 2016-12-06 2019-08-09 Safran Aircraft Engines Procede d'essai
DE102017131129A1 (de) * 2017-12-22 2019-06-27 Enexio Service Gmbh Messung von Betriebsparametern
CN108594886B (zh) * 2018-04-21 2021-05-18 浙江盾安自控科技有限公司 基于仿真和运行大数据的冷冻系统自优化控制方法和装置
CN109373778B (zh) * 2018-09-17 2020-04-14 国网江西省电力有限公司电力科学研究院 一种逆流式自然通风冷却塔冷却能力评价及验算方法
TWI699503B (zh) * 2019-06-28 2020-07-21 中國鋼鐵股份有限公司 薄膜式冷凝器液氣比監測系統及監測方法
JP6874195B1 (ja) * 2020-07-07 2021-05-19 横河電機株式会社 監視装置、監視プログラム及び監視方法
DE102020118556A1 (de) * 2020-07-14 2022-03-10 Samson Aktiengesellschaft Ventilstellgerät, prozesstechnische Anlage mit Ventilstellgerät, Diagnoseverfahren und Verwendung eines Ventilstellgeräts

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1103926A2 (en) * 1999-11-26 2001-05-30 General Electric Company Methods and apparatus for model-based diagnostics
WO2011100736A2 (en) * 2010-02-15 2011-08-18 Carrier Corporation Model based system and method for estimating parameters and states in temperature controlled spaces
EP2500787A1 (en) * 2011-03-18 2012-09-19 Rockwell Automation Technologies, Inc. Transparent models for large scale optimization and control

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4635182A (en) 1984-07-03 1987-01-06 The United States Of America As Represented By The Secretary Of The Navy Apparatus for controlling multiple time-varying processes
US7623993B2 (en) 2003-12-09 2009-11-24 Iowa State University Research Foundation, Inc. Method and system to perform energy-extraction based active noise control
US7455099B2 (en) 2003-12-19 2008-11-25 General Electric Company Heat exchanger performance monitoring and analysis method and system
US20080071395A1 (en) 2006-08-18 2008-03-20 Honeywell International Inc. Model predictive control with stochastic output limit handling
CN100595494C (zh) * 2008-04-03 2010-03-24 上海交通大学 基于模型的集中空调系统全局优化节能控制方法及装置
CN101968250B (zh) * 2010-10-13 2012-12-05 濠信节能科技(上海)有限公司 一种冷冻机房节能优化控制系统及方法
US10241527B2 (en) 2010-11-19 2019-03-26 Google Llc Thermostat graphical user interface
US9366451B2 (en) 2010-12-24 2016-06-14 Commonwealth Scientific And Industrial Research Organisation System and method for the detection of faults in a multi-variable system utilizing both a model for normal operation and a model for faulty operation
CN102052739B (zh) * 2010-12-27 2012-10-17 重庆大学 基于无线传感器网络的中央空调智能控制系统及方法
US8147702B2 (en) * 2011-04-21 2012-04-03 King Abdulaziz City for Science and Technology (KACST) Method of making and using adsorbent to remove heavy metal from waste water
US9235657B1 (en) * 2013-03-13 2016-01-12 Johnson Controls Technology Company System identification and model development
US9436179B1 (en) * 2013-03-13 2016-09-06 Johnson Controls Technology Company Systems and methods for energy cost optimization in a building system

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1103926A2 (en) * 1999-11-26 2001-05-30 General Electric Company Methods and apparatus for model-based diagnostics
WO2011100736A2 (en) * 2010-02-15 2011-08-18 Carrier Corporation Model based system and method for estimating parameters and states in temperature controlled spaces
EP2500787A1 (en) * 2011-03-18 2012-09-19 Rockwell Automation Technologies, Inc. Transparent models for large scale optimization and control

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200027849A (ko) 2018-09-05 2020-03-13 한국수력원자력 주식회사 냉각수 냉각시스템 및 냉각방법

Also Published As

Publication number Publication date
EP3025202A1 (en) 2016-06-01
KR102189649B1 (ko) 2020-12-11
EP3025202B1 (en) 2024-01-24
CN105793783B (zh) 2019-04-16
US10041736B2 (en) 2018-08-07
WO2015012832A1 (en) 2015-01-29
CN105793783A (zh) 2016-07-20
US20160169585A1 (en) 2016-06-16

Similar Documents

Publication Publication Date Title
KR102189649B1 (ko) 냉각탑 시스템의 동적 모니터링, 진단 및 제어
EP3336425B1 (en) Water quality management device, water treatment system, water quality management method, and water treatment system optimization program
JP5723642B2 (ja) 配水圧制御システム
Yoon Virtual sensing in intelligent buildings and digitalization
EP3580427B1 (en) Method for assessing and managing sensor uncertainties in a virtual flow meter
US9147018B2 (en) Method and system for use in controlling a pressure vessel
Li et al. A fault detection approach for nonlinear systems based on data-driven realizations of fuzzy kernel representations
Tadić et al. Particle filtering for sensor fault diagnosis and identification in nonlinear plants
JP6947152B2 (ja) 検知装置、検知方法、及び検知プログラム
Keller et al. Fault-tolerant model predictive control of a direct methanol-fuel cell system with actuator faults
JP5939439B2 (ja) 異常診断装置
EP4229273A1 (en) Real-time scale precipitation prediction and control systems and methods
Elorza et al. A sensor data processing algorithm for wind turbine hydraulic pitch system diagnosis
Jeyaraj et al. Real‐time data‐driven PID controller for multivariable process employing deep neural network
KR102349052B1 (ko) 전산유체역학 수치해석을 이용한 수처리 공정 실시간 진단 시스템
JP7359178B2 (ja) 制御装置、制御方法、および、制御プログラム
CN110073168A (zh) 用于空气冷却式冷凝器的腐蚀保护
JP2018169754A (ja) 情報処理装置、情報処理方法およびプログラム
JP4664842B2 (ja) エネルギープラントの最適運用システムと方法、およびプログラム
JP6676737B2 (ja) 薬注制御装置、薬剤管理装置、水処理システム、薬注制御方法、およびプログラム
US20140336787A1 (en) Index generation and embedded fusion for controller performance monitoring
US20200332773A1 (en) A prognostics and health management model for predicting wind turbine oil filter wear level
Suarez Fabrega et al. Fault detection method based on bounded error and dynamic threshold techniques
US20230409928A1 (en) Estimation apparatus, estimation method, and non-transitory computer-readable medium
US20210398063A1 (en) Method and system for accurately estimating amount of materials in stores

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant